Международное исследование под руководством RISE-Health продемонстрировало, что простые статистические модели могут быть более эффективными, чем продвинутые алгоритмы, при прогнозировании сердечно-сосудистого риска. В исследовании были сравнены 11 различных методов машинного обучения и регуляризованной регрессии.
Исследователи проанализировали различные подходы, чтобы определить, какой из них позволяет наиболее точно прогнозировать сердечно-сосудистый риск у пациентов. Результаты показывают, что методы регуляризованной регрессии продемонстрировали производительность, превосходящую или эквивалентную более сложным методам машинного обучения.
Это исследование ставит под сомнение широко распространённое убеждение о том, что более сложные алгоритмы непременно являются более точными в предиктивной медицине. Исследование предполагает, что простота традиционных статистических моделей может быть достаточной и даже преимущественной в определённых клинических контекстах.
Результаты имеют важные последствия для медицинской практики, поскольку более простые методы, как правило, легче интерпретируются, проще внедряются и обходятся дешевле, чем сложные решения на основе искусственного интеллекта.
